Python数据分析05：Pandas的数据结构
CHAPTER 5
Getting Started with pandas
文章目录
- CHAPTER 5
- Getting Started with pandas
-
- 5.1 pandas的数据结构（Introduction to pandas Data Structures）
-
- 5.1.1 Series
- 5.1.2 数据框（DataFrame）
-
- 可以传递给DataFrame的构造器
- 5.1.3 索引对象（Index Objects）
-
- Index的方法和属性
pandas包含数据结构和数据操作工具，通常与NumPy和SciPy等数值计算工具、statsmodel和scikit-learn等分析库以及matplotlib等数据可视化库一起使用。
之后的笔记里，这样导入pandas（也是惯例了）：
import pandas as pd
另外可以导入Series和DataFrame，因为这两个经常被用到：
from pandas import Series, DataFrame
5.1 pandas的数据结构（Introduction to pandas Data Structures）
Pandas有三大数据结构，Series、DataFrame以及Panel。
- Series(一维数据)
- DataFrame(二维数据)
- Panel(三维结构数据/面板数据)
注释：对于Panel，会很少使用，通常会使用MultiIndex这种结构解决三维数据表示问题，暂不介绍了就！
5.1.1 Series
这里series我就不翻译成序列了，因为之前的所有笔记里，我都是把sequence翻译成序列的
series是一个像数组一样的一维序列，并伴有一个数组表示label，叫做index。创建一个series的方法也很简单：
>>>obj = pd.Series([4, 7, -5, 3])
>>>obj
0 4
1 7
2 -5
3 3
dtype: int64
可以看到，左边表示index，右边表示对应的value。可以通过value和index属性查看：
>>>obj.values
array([ 4, 7, -5, 3], dtype=int64)
>>>obj.index # like range(4)
RangeIndex(start=0, stop=4, step=1)
当然我们也可以自己指定index的label：
>>>obj2 = pd.Series([4, 7, -5, 3], index=['d', 'b', 'a', 'c'])
>>>obj2
d 4
b 7
a -5
c 3
dtype: int64
>>>obj2.index
Index(['d', 'b', 'a', 'c'], dtype='object')
可以用index的label来选择：
>>>obj2['a']
-5
>>>obj2['d'] = 6
>>>obj2[['c', 'a', 'd']]
c 3
a -5
d 6
dtype: int64
这里[‘c’, ‘a’, ‘d’]其实被当做了索引，尽管这个索引是用string构成的。
使用numpy函数或类似的操作，会保留index-value的关系：
>>>obj2[obj2 > 0]
d 6
b 7
c 3
dtype: int64
>>>obj2 * 2
d 12
b 14
a -10
c 6
dtype: int64
>>>np.exp(obj2)
d 403.428793
b 1096.633158
a 0.006738
c 20.085537
dtype: float64
另一种看待series的方法，它是一个长度固定，有顺序的dict，从index映射到value。在很多场景下，可以当做dict来用：
>>>'b' in obj2
True
>>>'e' in obj2
False
还可以直接用现有的dict来创建series：
>>>sdata = {
'Ohio': 35000, 'Texas': 71000, 'Oregon': 16000, 'Utah': 5000}
>>>obj3 = pd.Series(sdata)
>>>obj3
Ohio 35000
Oregon 16000
Texas 71000
Utah 5000
dtype: int64
series中的index其实就是dict中排好序的keys。我们也可以传入一个自己想要的顺序：
>>>states = ['California', 'Ohio', 'Oregon', 'Texas']
>>>obj4 = pd.Series(sdata, index=states)
>>>obj4
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64
顺序是按states里来的，但因为没有找到california，所以是NaN。NaN表示缺失数据，用之后我们提到的话就用missing或NA来指代。pandas中的isnull和notnull函数可以用来检测缺失数据：
>>>pd.isnull(obj4)
California True
Ohio False
Oregon False
Texas False
dtype: bool
>>>pd.notnull(obj4)
California False
Ohio True
Oregon True
Texas True
dtype: bool
series也有对应的方法：
>>>obj4.isnull()
California True
Ohio False
Oregon False
Texas False
dtype: bool
关于缺失数据，在第七章还会讲得更详细一些。
series中一个有用的特色，自动按index label来排序（Data alignment features）：
>>>obj3
Ohio 35000
Texas 71000
Oregon 16000
Utah 5000
dtype: int64
>>>obj4
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64
>>>obj3 + obj4
California NaN
Ohio 70000.0
Oregon 32000.0
Texas 142000.0
Utah NaN
dtype: float64
这个Data alignment features（数据对齐特色）和数据库中的join相似。
serice自身和它的index都有一个叫name的属性，这个能和其他pandas的函数进行整合：
>>>obj4.name = 'population'
>>>obj4.index.name = 'state'
>>>obj4
state
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
Name: population, dtype: float64
series的index能被直接更改：
>>>obj
0 4
1 7
2 -5
3 3
dtype: int64
>>>obj.index = ['Bob', 'Steve', 'Jeff', 'Ryan']
>>>obj
Bob 4
Steve 7
Jeff -5
Ryan 3
dtype: int64
5.1.2 数据框（DataFrame）
DataFrame表示一个长方形表格，并包含排好序的列，每一列都可以是不同的数值类型（数字，字符串，布尔值），在Jupyter Notebook中有很美观的显示。DataFrame有行索引和列索引（row index, column index）；可以看做是分享所有索引的由series组成的字典。数据是保存在一维以上的区块里的。
（其实我是把dataframe当做excel里的那种表格来用的，这样感觉更直观一些）
构建一个dataframe的方法，用一个dcit，dict里的值是list：
>>>data = {
'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada', 'Nevada'],
>>> 'year': [2000, 2001, 2002, 2001, 2002, 2003],
>>> 'pop': [1.5, 1.7, 3.6, 2.4, 2.9, 3.2]}
>>>frame = pd.DataFrame(data)
>>>frame
state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2001 2.4
4 Nevada 2002 2.9
5 Nevada 2003 3.2
dataframe也会像series一样，自动给数据赋index, 而列则会按顺序排好。
对于一个较大的DataFrame，用head方法会返回前5行（注：这个函数在数据分析中经常使用，用来查看表格里有什么东西，在R中head()函数返回前六行）：
>>>frame.head()
state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2001 2.4
4 Nevada 2002 2.9
如果指定一列的话，会自动按列排序：
>>>pd.DataFrame(data, columns=['year', 'state', 'pop'])
year state pop
0 2000 Ohio 1.5
1 2001 Ohio 1.7
2 2002 Ohio 3.6
3 2001 Nevada 2.4
4 2002 Nevada 2.9
5 2003 Nevada 3.2
如果你导入一个不存在的列名，那么会显示为缺失数据：
>>>frame2 = pd.DataFrame(data, columns=['year', 'state', 'pop', 'debt'],
>>> index=['one', 'two', 'three', 'four', 'five', 'six'])
>>>frame2
year state pop debt
one 2000 Ohio 1.5 NaN
two 2001 Ohio 1.7 NaN
three 2002 Ohio 3.6 NaN
four 2001 Nevada 2.4 NaN
five 2002 Nevada 2.9 NaN
six 2003 Nevada 3.2 NaN
>>>frame2.columns
Index(['year', 'state', 'pop', 'debt'], dtype='object')
从DataFrame里提取一列的话会返回series格式，可以以属性或是dict一样的形式来提取：
>>>frame2['state']
one Ohio
two Ohio
three Ohio
four Nevada
five Nevada
six Nevada
Name: state, dtype: object
>>>frame2.year #key
one 2000
two 2001
three 2002
four 2001
five 2002
six 2003
Name: year, dtype: int64
注意：frame2[column]能应对任何列名，但frame2.column的情况下，列名必须是有效的python变量名才行。
返回的series有DataFrame种同样的index，而且name属性也是对应的。
对于行，要用在loc属性里用 位置或名字：
>>>frame2.loc['three']
year 2002
state Ohio
pop 3.6
debt NaN
Name: three, dtype: object
列值也能通过赋值改变。比如给debt赋值：
>>>frame2['debt'] = 16.5
>>>frame2
year state pop debt
one 2000 Ohio 1.5 16.5
two 2001 Ohio 1.7 16.5
three 2002 Ohio 3.6 16.5
four 2001 Nevada 2.4 16.5
five 2002 Nevada 2.9 16.5
six 2003 Nevada 3.2 16.5
>>>frame2['debt'] = np.arange(6.)
>>>frame2
year state pop debt
one 2000 Ohio 1.5 0.0
two 2001 Ohio 1.7 1.0
three 2002 Ohio 3.6 2.0
four 2001 Nevada 2.4 3.0
five 2002 Nevada 2.9 4.0
six 2003 Nevada 3.2 5.0
如果把list或array赋给column的话，长度必须符合DataFrame的长度。如果把一个series赋给DataFrame，会按DataFrame的index来赋值，不够的地方用缺失数据来表示：
>>>val = pd.Series([-1.2, -1.5, -1.7], index=['two', 'four', 'five'])
>>>frame2['debt'] = val
>>>frame2
year state pop debt
one 2000 Ohio 1.5 NaN
two 2001 Ohio 1.7 -1.2
three 2002 Ohio 3.6 NaN
four 2001 Nevada 2.4 -1.5
five 2002 Nevada 2.9 -1.7
six 2003 Nevada 3.2 NaN
如果列不存在，赋值会创建一个新列。而del也能像删除字典关键字一样，删除列：
>>>frame2['eastern'] = frame2.state == 'Ohio'
>>>frame2
year state pop debt eastern
one 2000 Ohio 1.5 NaN True
two 2001 Ohio 1.7 -1.2 True
three 2002 Ohio 3.6 NaN True
four 2001 Nevada 2.4 -1.5 False
five 2002 Nevada 2.9 -1.7 False
six 2003 Nevada 3.2 NaN False
然后用del删除这一列：
>>>del frame2['eastern']
>>>frame2.columns
Index(['year', 'state', 'pop', 'debt'], dtype='object')
注意：columns返回的是一个view，而不是新建了一个copy。因此，任何对series的改变，会反映在DataFrame上。除非我们用copy方法来新建一个。
另一种常见的格式是dict中的dict：
>>>pop = {
'Nevada': {
2001: 2.4, 2002: 2.9},
>>> 'Ohio': {
2000: 1.5, 2001: 1.7, 2002: 3.6}}
把上面这种嵌套dcit传给DataFrame，pandas会把外层dcit的key当做列，内层key当做行索引：
>>>frame3 = pd.DataFrame(pop)
>>>frame3
Nevada Ohio
2001 2.4 1.7
2002 2.9 3.6
2000 NaN 1.5
另外DataFrame也可以向numpy数组一样做转置：
>>>frame3.T
2001 2002 2000
Nevada 2.4 2.9 NaN
Ohio 1.7 3.6 1.5
指定index：
>>>pd.DataFrame(pop, index=[2001, 2002, 2003])
Nevada Ohio
2001 2.4 1.7
2002 2.9 3.6
2003 NaN NaN
series组成的dict：
>>>pdata = {
'Ohio': frame3['Ohio'][:-1],
>>> 'Nevada': frame3['Nevada'][:2]}
>>>pd.DataFrame(pdata)
Ohio Nevada
2001 1.7 2.4
2002 3.6 2.9
可以传递给DataFrame的构造器
| 类型 | 注释 |
|---|---|
| 2D ndarray | A matrix of data, passing optional row and column labels |
| dict of arrays, lists, or tuples | Each sequence becomes a column in the DataFrame; all sequences must be the same length |
| NumPy structured/ record array |
Treated as the “dict of arrays” case |
| dict of Series | Each value becomes a column; indexes from each Series are unioned together to form the result’s row index if no explicit index is passed |
| dict of dicts | Each inner dict becomes a column; keys are unioned to form the row index as in the “dict of Series” case |
| List of dicts or Series | Each item becomes a row in the DataFrame; union of dict keys or Series indexes become the DataFrame’s column labels |
| List of lists or tuples | Treated as the “2D ndarray” case |
| Another DataFrame | The DataFrame’s indexes are used unless diferent ones are passed |
| NumPy MaskedArray | Like the “2D ndarray” case except masked values become NA/missing in the DataFrame result |
如果DataFrame的index和column有自己的name属性，也会被显示：
>>>frame3.index.name = 'year'; frame3.columns.name = 'state'
>>>frame3
state Nevada Ohio
year
2001 2.4 1.7
2002 2.9 3.6
2000 NaN 1.5
values属性会返回二维数组：
>>>frame3.values
array([[2.4, 1.7],
[2.9, 3.6],
[nan, 1.5]])
如果column有不同的类型，dtype会适应所有的列：
>>>frame2.values
array([[2000, 'Ohio', 1.5, nan],
[2001, 'Ohio', 1.7, -1.2],
[2002, 'Ohio', 3.6, nan],
[2001, 'Nevada', 2.4, -1.5],
[2002, 'Nevada', 2.9, -1.7],
[2003, 'Nevada', 3.2, nan]], dtype=object)
5.1.3 索引对象（Index Objects）
pandas的Index Objects (索引对象)负责保存axis labels和其他一些数据（比如axis name或names）。一个数组或其他一个序列标签，只要被用来做构建series或DataFrame，就会被自动转变为index：
>>>obj = pd.Series(range(3), index=['a', 'b', 'c'])
>>>index = obj.index
>>>index
Index(['a', 'b', 'c'], dtype='object')
>>>index[1:]
Index(['b', 'c'], dtype='object')
index object是不可更改的：
>>>index[1] = 'd'
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-129-a452e55ce13b> in <module>
----> 1 index[1] = 'd'
H:\Anaconda3\lib\site-packages\pandas\core\indexes\base.py in __setitem__(self, key, value)
4258
4259 def __setitem__(self, key, value):
-> 4260 raise TypeError("Index does not support mutable operations")
4261
4262 def __getitem__(self, key):
TypeError: Index does not support mutable operations
正因为不可修改，所以data structure中分享index object是很安全的：
>>>labels = pd.Index(np.arange(3))
>>>labels
Int64Index([0, 1, 2], dtype='int64')
>>>obj2 = pd.Series([1.5, -2.5, 0], index=labels)
>>>obj2
0 1.5
1 -2.5
2 0.0
dtype: float64
>>>obj2.index is labels
True
index除了像数组，还能像大小一定的set：
>>>frame3
state Nevada Ohio
year
2001 2.4 1.7
2002 2.9 3.6
2000 NaN 1.5
>>>frame3.columns
Index(['Nevada', 'Ohio'], dtype='object', name='state')
>>>'Ohio' in frame3.columns
True
>>>2003 in frame3.index
False
与python里的set不同，pandas的index可以有重复的labels：
>>>dup_labels = pd.Index(['foo', 'foo', 'bar', 'bar'])
>>>dup_labels
Index(['foo', 'foo', 'bar', 'bar'], dtype='object')
在这种重复的标签中选择的话，会选中所有相同的标签。
Index的方法和属性
| 方法 | 描述 |
|---|---|
| append | 连接新的index对象，产生新的index对象 |
| difference | 计算差集，并得到一个index |
| intersection | 计算交集 |
| union | 计算并集 |
| isin | 计算一个指示各值是否都包含在参数集合的布尔型数组 |
| delete | 删除索引i处的元素，并的新的index |
| drop | 删除传入的值，并得到新的index |
| insert | 当元素插入到索引i处，并得到新的index |
| is_monotonic | 当个元素大于等于一个元素时，返回True |
| is_unique | 当index没有重复值时，返回True |
| unique | 计算index中惟一值的数组 |
参考资料：
- 利用Python进行数据分析学习笔记（有惊喜
^_^）- 书籍：《Python for Data Analysis》